类似于netflix竞赛，假设我们有一个缺少评级的电影数据集。如何修改RBM以允许它推断缺失值？在相关论文中，一种直接的方法是将随机值归入缺失的可见特征。但是，我对重建精度持怀疑态度，因为它可能取决于给这些缺失的可见节点的初始值。
你有什么建议？
由于
答案 0 :(得分：2)
https://www.youtube.com/watch?v=laVC6WFIXjg，也许这段视频会有所帮助。
我认为在输入随机值后进行采样是一个好主意。 Hinton在这段视频中证明了这一点。您也可以尝试估计先前，或做许多样本，或根据一些不同的方法进行猜测，然后进行重建。
在视频中，Hinton说这种方法本身并不是很准确，但是当与矩阵分解（或其他类似方法）相结合时，可能会非常强大。
答案 1 :(得分：1)
这个想法是执行交替的吉布斯采样，但是在重建更新中将非缺失值固定为数据值。这样做直到缺失的值在他们的马尔可夫链中达到静止分布，并且你知道网络对他们应该是什么的最佳猜测。
答案 2 :(得分：1)
实际上，对这些缺失的可见节点的初始值的依赖性可用于获得额外2-5％的准确度。您可以在不同的初始化下多次运行RBM，然后对结果取平均值。每个结束状态都会出错，但它们彼此之间会有所不同。我尝试了它，并一直在改进它，直到+/- 20初始化......